Бен Гертцель, Нейц Знидар, Мэтт Икле, Шахерезада Гертцель

ДЕЦЕНТРАЛИЗОВАННЫЙ ИИ ДЛЯ ЗДОРОВОЙ ПЛАНЕТЫ: SingularityNET была основана с целью создания глобальной децентрализованной платформы ИИ и ее использования для создания мощного общего искусственного интеллекта и содействия достижению благих целей.

«Социальное благо» аспект миссии организации проявляется с самых первых дней в научно-исследовательской работе команд SingularityNET и Mozi.ai по применению ИИ в биологии человеческого долголетия. Недавние исследования и разработки используют SingularityNET AI для защиты здоровья планеты и глобальной экологической устойчивости.

Это сообщение в блоге - первое из серии отчетов о применении децентрализованного ИИ в области устойчивого развития и науки об окружающей среде.

TL; DR

Современные модели моделирования климата ценны и информативны, но очень сложны и имеют множество параметров, что затрудняет их использование для оценки причинного воздействия различных антропогенных или природных факторов на повышение глобальной температуры. Поэтому мы стремились дополнить симуляционный подход расследованием с использованием инструментов статистического прогнозирования и машинного обучения.

В качестве первого шага в этом направлении мы использовали причинно-следственную связь Грейнджера, хорошо известный метод на стыке статистики и искусственного интеллекта, чтобы оценить влияние различных факторов на повышение температуры за последние 130 лет с помощью прямого анализа данных. без имитационного моделирования.

Оказывается, действительно, сочетание хорошо перемешанных выбросов парниковых газов, тропосферных аэрозолей, выбросов озона и изменений в схемах землепользования оказало значительное причинное воздействие на глобальную температуру суши и моря в этот период времени, и даже более того, в последние десятилетия.

В настоящее время мы продолжаем эту предварительную работу более углубленной работой, используя инструменты искусственного интеллекта для выполнения прогнозного моделирования глобального повышения температуры на основе многомерного нелинейного анализа временных рядов.

Где мы находимся сейчас

Реальность глобального повышения температуры становится все более очевидной почти для всех, кто живет на этой планете, равно как и серьезная трудность подтолкнуть мировую экономику к действиям со значительными шансами замедлить это повышение.

Ситуация доводит некоторых людей до крайностей, приводя к целому ряду апокалиптических предсказаний, которые преувеличивают ситуацию для драматического эффекта. С научной точки зрения трудно поддержать такие утверждения, как через 12 лет настанет конец света, если мы не займемся проблемой изменения климата (Александрия Окасио-Кортес) или Примерно к 2030 году мы сможем установить от необратимой цепной реакции, неподконтрольной человеку, которая приведет к концу нашей цивилизации, какой мы ее знаем (Грета Тунберг).

И все же легко понять, почему заинтересованные люди могут выбирать такие преувеличенные фразы. Из года в год, десятилетие за десятилетием мы видим, как тает все больше ледников, все больше видов вымирают из-за антропогенного воздействия, а тех, кто способен решить эти проблемы, в основном, похоже, это не особо заботит. Даже если результаты глобального повышения температуры не будут по-настоящему апокалиптическими, а будут просто чрезвычайно разрушительными, возможно, наш вид должен делать с ними гораздо больше.

Не то чтобы общество полностью игнорировало проблему. Появляются новые отрасли, такие как электромобили и фермы, работающие на возобновляемых источниках энергии, с целью сделать наш современный образ жизни более устойчивым. Но какими бы амбициозными ни были эти усилия, они несколько отстают от главного двигателя мировой экономики ... и в последнее время становится ясно, что - по крайней мере, в соответствии с нашим лучшим текущим научным пониманием - нынешний уровень усилий не будет приемлемым. достаточно, чтобы резко замедлить процесс потепления .

Возможно, что, учитывая реалии мирового политического и экономического порядка, наш лучший подход к управлению изменением климата будет включать агрессивное стремление и применение передовых технологий. Принимая во внимание изречение, по-разному приписываемое Эйнштейну и Раму Дассу, о том, что «серьезные проблемы, которые у нас есть, не могут быть решены на том же уровне мышления, на котором мы их создали», можно предположить, что технологический подход к изменению климата, вероятно, требует технологий радикально более продвинутые и качественно отличные от технологий индустриальной эпохи, которые создали эту проблему.

Геотехнические решения - это один из возможных подходов, хотя, очевидно, со значительными рисками и захватывающими потенциальными выгодами. Также интересно изучить, как могут применяться технологии искусственного интеллекта.

В целом, есть два вида применения ИИ к изменению климата: во-первых, чтобы помочь нам понять, что происходит с глобальным климатом; а во-вторых, чтобы помочь нам что-то с этим поделать. В SingularityNET мы работаем по обоим направлениям.

Что касается «что-то с этим делать», например, в одном из будущих постов в блоге будет рассказано об использовании ИИ для оценки количества углерода, секвестрированного на определенной ферме или в лесу, по аэрофотоснимкам (что полезно, среди прочего, для недорогих определение суммы квот на выброс углерода, которую должен получить фермер или лесовладелец).

В данном сообщении в блоге описаны некоторые первые шаги в направлении «понять, что происходит».

Пока вы читаете эти слова, в штаб-квартире SingularityNET в Гонконге предпринимаются попытки использовать технологию машинного обучения OpenCog MOSES для изучения точных прогностических моделей, прогнозирующих повышение глобальной температуры на основе переменных, описывающих соответствующую деятельность человека. В настоящем сообщении суммируется некоторая предварительная работа, которая была проделана, чтобы проложить путь для этих усилий в области прогнозного моделирования, направленной на понимание того, какие комбинации переменных оказывают значительное причинное влияние на глобальную температуру и, следовательно, должны рассматриваться как входные функции для машинного обучения. основанные на прогнозных моделях.

Пища для размышлений истинным скептикам антропогенного глобального потепления

Мы не только предоставляем руководство для нашей работы по машинному обучению в области изменения климата, но и надеемся, что эти простые исследования с использованием причинно-следственной связи Грейнджера могут немного помочь разрядить некоторые из споров, которые все еще остаются вокруг климатического кризиса. Многие люди и политические образования по-прежнему игнорируют нынешний консенсус в отношении глобального изменения климата. США, например, недавно вышли из Парижского климатического соглашения, в соответствии с которым многие другие страны, как развивающиеся, так и развитые, согласились снизить свои выбросы и сделать свою политику более экологичной. В тех случаях, когда скептицизм по поводу изменения климата представляет собой подлинный скептицизм, а не идеологическую предвзятость или экономический оппортунизм, исследования, представленные здесь, могут иметь определенную ценность для преодоления разрыва между скептиками и мнением большинства.

Хороший пример подлинно скептического взгляда - это мнение (ныне покойного) легендарного физика Фримена Дайсона. Дайсон не сомневался в реальности недавнего повышения глобальной температуры и не сомневался в том, что выбросы парниковых газов сыграли в этом определенную роль. Однако он очень скептически относился к моделям моделирования климата, утверждая, что их параметры, как правило, чрезмерно соответствуют историческим данным и что они не учитывают многие аспекты окружающей среды, которые, как известно, имеют решающее значение, такие как комплексное воздействие биологических организмов на эволюцию климата. . Джеймс Лавлок, создатель гипотезы Гайи (которая описывает экосистему как своего рода глобальный биохимический разумный организм), который какое-то время чрезвычайно обеспокоен изменением климата как риском вымирания, позднее стал скептически относиться к современному климату. имитационные модели по аналогичным причинам.

Трудно отрицать чрезмерное соответствие аспектов климатических моделей историческим данным: как правило, чтобы получить климатическую модель, которая точно объясняет данные за определенный исторический период, исследователь должен поработать с параметрами модели на основе наблюдаемых результатов моделирования за этот период. период. Это прекрасно для поисковых исследований, но это неправильная статистическая методология, если кто-то стремится делать точные прогнозы на будущее.

Недавний метаанализ показывает, что многие исторические модели моделирования климата дали бы достаточно точные прогнозы повышения глобальной температуры из года в год, если бы им были предоставлены точные данные о таких факторах, как выбросы CO2 из года в год. Многие из неверных прогнозов, опубликованных на основе этих моделей, были ошибочными из-за пессимистических предположений о будущей деятельности человека (например, переоценки будущих выбросов CO2), а не из-за проблем в самих имитационных моделях.

Например, в 1970 году, если кто-то хотел использовать имитационную модель для прогнозирования глобальной температуры на период до 2007 года, нужно было использовать не только модель, но и некоторые предположения о выбросах CO2 и другой деятельности человека каждый год с 1970 по 2007 год. предположения о будущей деятельности человека в достаточно точной имитационной модели могут по-прежнему давать ужасные прогнозы. Повторный запуск моделей 1970 года с использованием исторически точных данных о деятельности человека за 1970–2007 годы часто дает гораздо более точные прогнозы в этот период.

Однако тот же метаанализ также показывает, что более современные модели моделирования климата часто дают менее точные прогнозы, чем более старые. Это вызывает беспокойство и, скорее всего, связано с повышенной сложностью более поздних моделей. Добавление дополнительных параметров без соразмерно большего количества данных для настройки параметров приведет к увеличению переобучения и, следовательно, к снижению точности прогноза.

Чтобы избежать ограничений и трудностей, присущих прогнозированию на основе сложных имитационных моделей при наличии относительно скудных данных, мы решили использовать более прямой подход, основанный на вычислении цифр, для изучения ключевого вопроса, по которому скептики к изменению климата отличаются от научного мейнстрима. : Важность антропогенных факторов для повышения глобальной температуры.

Вместо использования имитационных моделей в работе, описанной здесь, мы использовали тест статистической гипотезы, называемый многомерной причинно-следственной связью по Грейнджеру, который определяет, вызывает ли определенный набор временных рядов существенное изменение определенного временного ряда. Другими словами, мы использовали его для поиска причинно-следственной связи между различными, возможно, значимыми переменными - в данном случае переменными, представляющими различные факторы, влияющие на климат (называемые «принуждениями» на жаргоне науки о климате) - и временными рядами. повышения глобальной температуры.

Предыдущие климатические исследования использовали этот метод раньше, но в более ограниченном смысле - в основном просто рассматривали одну или две вариации одного и того же воздействия. Наша цель здесь состояла в том, чтобы найти причинно-следственное воздействие нескольких факторов, рассматриваемых вместе. Инструменты ИИ особенно хороши для поиска шаблонов, сочетающих несколько входных переменных, поэтому, если здесь существует такая комбинированная причинно-следственная связь, это хороший признак того, что дальнейшая углубленная работа с использованием методов ИИ может быть полезной.

Наша идея заключалась в следующем: если антропогенные факторы действительно сыграли важную роль в повышении глобальной температуры в течение последнего столетия или около того, эти статистические методы должны быть в состоянии найти хотя бы намек на эту причинно-следственную связь. Для более глубокого понимания причинно-следственных связей могут потребоваться расширенные инструменты машинного обучения, но статистические методы, такие как причинность Грейнджера, должны дать некоторые первые подсказки, за которыми затем можно будет провести более тонкий анализ ИИ.

Данные

Мы провели поиск в банках данных НАСА относительно факторов, влияющих на глобальный климат, и обнаружили семь основных факторов влияния с информацией о том, насколько они нагревают Землю на квадратный метр:

Три природных влияния:

  • Солнечное излучение
    Сколько тепла Земля получает от Солнца.
  • Стратосферные аэрозоли
    Часто серная кислота и вода, в основном производимые вулканами.
  • Орбитальные силы
    Изменения формы орбиты Земли и наклона оси Земли.

И четыре антропогенных (антропогенных) воздействия:

  • Хорошо смешанные парниковые газы
    Двуокись углерода, метан, закись азота и т. д.
  • Изменения в землепользовании
    В основном преобразование земель из естественной растительности, например леса, в сельскохозяйственные угодья или пастбища.
  • Тропосферные аэрозоли
    Сульфаты, нитраты, морская соль, сажа и т. д. и их влияние как напрямую, так и в виде облаков.
  • Озон
    O3, естественный и искусственно производимый в стратосфере и тропосфере. Тропосферный озон обычно возникает в результате сочетания солнечного света и антропогенных выбросов.

Включив все эти факторы, мы рассмотрели гораздо больше человеческих и естественных воздействий, чем предыдущие исследования причинно-следственной связи Грейнджера. И мы также рассмотрели влияние, которое эти отдельные переменные оказывают при совместном действии, что важно для получения динамического понимания того, какие конкретные комбинации действий могут вызывать резкое повышение глобальной температуры, подобное тому, которое наблюдалось в последние годы.

У самих климатических данных есть свои проблемы с точностью, поэтому, чтобы быть более уверенными в наших выводах, мы использовали два разных типа климатических данных и проанализировали два отдельных периода времени. Важно как можно раньше включить подробные климатические данные, но ранние климатические данные менее точны, чем недавно измеренные климатические данные, поэтому мы рассмотрели эти два периода времени отдельно: с 1880 по 2012 год и с 1958 по 2012 год.

Глядя на данные между 1880 и 1958 годами, мы обнаруживаем, что часто не было подходящих инструментов для точного измерения воздействий и температур, что означает, что данные часто являются приблизительными. Данные, которые мы использовали, - это то, что мы нашли от НАСА; многие исследователи усердно работали над тем, чтобы сделать его как можно более точным, и он широко используется в исследованиях, но все же тот факт, что это приблизительные значения, может повлиять на окончательные результаты любого исследования, проведенного с ними.

Данные о температуре за второй период времени более точны из-за наличия более современных инструментов. Например, эти данные были получены со спутников, которые, как правило, более точны, чем измерительные станции, которые могут быть искажены такими вещами, как эффект городского острова тепла и т. Д.

Также возникает вопрос о том, следует ли смотреть на температуру суши или моря. Учитывая, что относительно температуры поверхности океана температуру поверхности суши можно легко изменить с помощью небольшого количества энергии, мы использовали данные только по температуре океана и из среднего значения температуры поверхности суши и температуры поверхности океана вместе.

На приведенном ниже графике показано развитие различных воздействий и их различные эффекты с 1850 по 2012 год. На этом рисунке визуально выглядит так, как будто антропогенные воздействия оказали гораздо большее влияние на общее повышение температуры, чем естественные воздействия за эти 162 года. Это один из намеков на то, что антропогенные факторы могут иметь какое-то отношение к глобальному потеплению, но это ни в коем случае не доказательство. Некоторые факторы могут иметь ограниченное влияние на глобальное потепление, даже если они оказывают некоторое влияние на глобальную температуру, поэтому мы проанализировали их более внимательно.

На приведенных выше графиках мы можем видеть, что естественные воздействия иногда имеют огромные краткосрочные вариации. В основном это вызвано вулканическими аэрозолями. Например, извержение Кракатау в 1883 году подняло в воздух большое количество вулканической пыли и, как следствие, повлияло на климат в течение следующих нескольких лет. Но извержения вулканов всегда происходили регулярно, и если они оказывают какое-либо влияние на климат, чего обычно не бывает, то обычно краткосрочное. Тем не менее, как и все другие наши форсировки, мы проверили, оказали ли они значительный эффект в течение трех лет зарегистрированных данных.

Анализ причинно-следственной связи по Грейнджеру

Итак: Анализируя данные с 1880 года до недавнего времени, мы посмотрели, как различные комбинации воздействий влияют на температуру до 3 лет в будущем.

Наряду с тестированием каждого отдельного воздействия, мы провели некоторые тесты, рассматривая только естественные воздействия (стратосферные, солнечные и орбитальные воздействия), а некоторые - различные наборы антропогенных воздействий (хорошо перемешанные парниковые газы, землепользование, тропосферные аэрозоли (оба являются их прямым воздействием). и косвенные эффекты) и озоновое воздействие).

Наша цель состояла в том, чтобы посмотреть, сможем ли мы найти какие-либо наборы воздействий, которые существенно влияют на температуру океана и комбинацию глобальной поверхности и температуры океана.

Для любителей статистики из аудитории стоит подчеркнуть, что для всех различных форсингов и комбинаций форсингов мы рассмотрели несколько различных моделей, некоторые из которых были менее применимы к нашим временным рядам, чем другие. Как и любая статистическая методология, анализ причинно-следственной связи по Грейнджеру требует некоторых математических предположений относительно моделируемых величин, и мы хотели убедиться, что наши результаты не слишком сильно зависят от таких предположений. Мы рассмотрели следующие варианты моделирования:

  • «Тренд» и «Нет тенденции». Первый из них предполагает наличие постоянного тренда температуры, а второй - нет.
  • «Постоянная» и «Не постоянная». Первая предполагает, что температура стабильна, а вторая - нет.

Следует ли включать константу или нет, зависит от стационарности временного ряда, который мы рассматриваем, а включать ли тренд или нет, зависит от того, существует ли линейный тренд во времени. Что включать, в конечном итоге зависит от временного ряда, но мы все равно решили включить все возможные тесты. Таким образом, после просмотра результатов, мы смогли определить, на чем было наиболее разумно сосредоточить наши выводы. В конечном итоге мы решили, что имеет смысл обратить внимание на модели с константой, трендом или трендом и константой.

Результаты! Полученные результаты! Результаты!

Так каков был результат всего этого анализа?

Следующие результаты представлены как p-значения, они представляют статистическую значимость каждой переменной или набора переменных. Все, что отмечено p-значениями 5% и ниже, считается статистически значимым.

Естественные принуждения (1880–2012 гг.):

В левой части представлены результаты для средних значений температуры океана и поверхности, а в правой части - только для средних значений температуры океана.

В таблице приведены статистически значимые результаты. Разные цвета представляют разные степени значимости; зеленым отмечены наиболее значимые значения, а красным - наименее значимые из статистически значимых значений; все значения, выделенные белым цветом, не являются статистически значимыми.

В целом: совершенно очевидно, что существует несколько наборов переменных, которые показывают статистическую значимость в одних моделях, но не в других. Значение некоторых наборов переменных исчезает, если мы решаем наблюдать только температуру океана, а для других - если мы выбираем рассматривать только один из периодов времени.

Естественные принуждения (1958–2012 гг.)

В течение более короткого промежутка времени мы получаем еще несколько статистически значимых причинно-следственных связей между переменными (причинно-следственные связи), но, опять же, некоторые исчезают, когда дело касается только температуры океана. Менее значимые причинно-следственные связи труднее обнаружить с помощью измерений в океане из-за того, как медленно изменяется температура океана.

Совершенно иную картину мы получаем, когда смотрим на результаты антропогенного воздействия.

Антропогенные воздействия (1880–2012 гг.):

Результаты чертовски ясны: Частота статистически значимых наборов антропогенных воздействий намного выше, чем для естественных наборов.

Видно, что «постоянная» модель имеет много значительных наборов принуждений. Но когда дело доходит до обнаружения причинно-следственной связи только в температуре океана, существует еще меньше значительных наборов воздействий.

Если мы посмотрим на более короткий промежуток времени (1958 и 2012 годы), мы получим аналогичные результаты. Мы можем видеть, что за короткий промежуток времени меньше значительных причин, чем за более длительный, но все же гораздо больше, чем было для естественных наборов воздействий.

Антропогенные воздействия (1958–2012 гг.):

Проверив эти более длинные и более короткие временные интервалы, температуры от комбинации поверхности суши и поверхности океана и только поверхности океана, мы смогли увидеть, есть ли какие-то наборы воздействий, которые всегда значительны. Оказывается, их три: переменные с пометкой {WMGHG, Ozone, TropAerInd}.

То есть: хорошо перемешанные парниковые газы, озон и тропосферные аэрозоли оказались значимыми во всех протестированных моделях для обоих временных интервалов и для обоих типов измерений температуры.

Это убедительный показатель того, что вместе эти три фактора с большой вероятностью повлияют на глобальные температуры в течение трех лет.

Есть также несколько других общих наборов факторов, которые, как было установлено, вызывают значительные изменения температуры почти во всех моделях и временных рамках, одним из которых является совместное сочетание хорошо перемешанных парниковых газов, землепользования, озон и тропосферные аэрозоли. Вместе они не имеют достаточной статистической значимости только в случае температуры океана в модели «тренд и константа» - и даже там они значимы на уровне 10%.

В то время как найти наборы антропогенных факторов, которые всегда значимы, было легко, этого явно нельзя сказать о природных факторах. С ними мы по-прежнему наблюдаем причинно-следственные связи в некоторых моделях, но они не сохраняются во всех других моделях. В частности, мы видим причинно-следственные связи в моделях с константами, но даже простой взгляд на другой временной интервал или источник температуры может положить конец их статистической значимости.

Одна из наиболее важных вещей, на которые следует обратить внимание на основе данных о естественных воздействиях, заключается в том, что, если мы посмотрим на более статистически значимые наборы естественных воздействий, орбитальные воздействия, как правило, являются их частью. Чем больше факторов мы добавляем к орбитальным воздействиям, тем слабее становится причинно-следственная связь. Хотя это и не окончательно, это наводит на мысль о том, что орбитальные воздействия могут быть причиной некоторой степени долгосрочного изменения температуры, которое происходило в течение последних нескольких сотен лет. Их влияние на климат кажется относительно небольшим по сравнению с недавним внезапным повышением температуры, поэтому маловероятно, что они сильно повлияли на изменение климата за последние 130 лет, но интригует то, что оно может иметь умеренное влияние на долгосрочное изменение температуры. .

Результаты не далеки от того, что обычно показывают предыдущие исследования, но они гораздо более конкретны и четко отвечают на некоторые важные вопросы. Это особенно убедительно свидетельствует о том, что не только влияние человека, вероятно, было движущей силой недавнего изменения климата, но и что природные факторы, влияющие на климат, нет. Мы не проверяли точный вклад каждого фактора, потому что Метод причинности по Грейнджеру не идеально подходит для этого, но мы рассмотрим этот и другие аспекты в дальнейших исследованиях.

Что дальше?

Мы показали здесь, что, если отбросить сложность моделирования с помощью моделирования климата и взглянуть на вещи на чисто числовой основе, существует статистически очень четкая причинно-следственная связь между определенными комбинациями антропогенных воздействий и глобальным повышением температуры.

Основываясь на наших результатах, кажется разумным предположить, что тропосферные аэрозоли, хорошо смешанные парниковые газы, озон и, в некоторой степени, модели землепользования являются основными причинами изменения климата.

Эти выводы никого не должны шокировать. Но ранее мы не видели какой-либо столь же ясной, статистически строгой демонстрации причинного воздействия комбинации этих факторов на повышение глобальной температуры.

Следующим, довольно небольшим шагом в этой «пояснительной» части нашей программы исследований ИИ / устойчивости будет использование технологий AI SingularityNET для выполнения некоторого углубленного прогнозного моделирования. Насколько точно прогнозное моделирование ИИ с учетом факторов, определенных анализом причинно-следственной связи Грейнджера как актуальные, может предсказать глобальную температуру в будущем?

Помимо этого, может быть интересно взглянуть на потенциальное синергетическое использование имитационного моделирования и методов анализа временных рядов для понимания изменения климата. Возможно, можно использовать методы анализа временных рядов, чтобы помочь автоматизировать процесс настройки параметров для сложных климатических моделей, тем самым уменьшив степень переобучения и создав более мощную основу как для понимания, так и для прогнозирования, используя как имитационное моделирование, так и статистический / ML подход.

В идеале мы хотели бы иметь возможность использовать модели климатического моделирования и аналитику временных рядов вместе, чтобы ответить на такие практические вопросы, как: если мы увеличим количество естественно секвестрированного углерода в США в 1,5 раза в течение следующих 10 лет, какое влияние повлияет ли это на глобальную температуру в следующие 10 лет? В настоящее время мы очень далеки от того, чтобы провести тщательный анализ такого рода, однако неясно, что это было бы невозможно при достаточно сложном подходе. Возможно, в моделирование необходимо будет включить больше биологических аспектов или внести другие радикальные улучшения; мы надеемся, что сосредоточение внимания на строгой прогнозной аналитике может помочь направить исследования по эффективным направлениям.

Приложение

Наборы данных, которые мы использовали в описанном здесь исследовании, можно найти по адресу:

Принудительные действия: http://data.giss.nasa.gov Модель CMIP5.

Температура: https://www.ncdc.noaa.gov/cag/

Инструменты причинно-следственной связи Грейнджера, которые мы использовали в этом исследовании, можно найти на Github.

Сервис скоро будет доступен через децентрализованную AI-платформу SingularityNET!

Присоединяйтесь к нам

SingularityNET планирует укреплять и расширять свое сотрудничество, чтобы придать грядущей AI Singularity положительный характер для всех. Чтобы узнать больше о наших последних новостях, нажмите здесь.

А если у вас есть идеи по поводу инструментов или услуг ИИ, которые вы хотели бы видеть на платформе, вы можете запросить их в Запросе на портал ИИ.